**利用`Embedding`層學習詞嵌入：** 對每個新任務都**學習**一個新的嵌入空間 **學習一個層的權重，這個層就是`Embedding`層**: * `Embedding`層實際上是一種字典查找 * 理解為一個字典，將整數索引（表示特定單詞）映射為密集向量  ***** **輸入**：二維整數張量，其形狀為`(samples, sequence_length)` * 每個元素是一個整數序列。它能夠嵌入長度可變的序列 * 一批數據中的所有序列必須具有相同的長度（因為需要將它們打包成一個張量），所以較短的序列應該用　0 填充，較長的序列應該被截斷 **返回**：形狀為`(samples, sequence_length, embedding_dimensionality)`的三維浮點數張量 * 然后可以用 RNN 層或一維卷積層來處理這個三維張量 ***** **實例化**： * 訓練開始：權重（即標記向量的內部字典）是隨機的 * 訓練過程中：利用反向傳播來逐漸調節這些詞向量，改變空間結構以便下游模型可以利用 * 訓練完成：嵌入空間將會展示大量結構，這種結構專門針對訓練模型所要解決的問題